ANALIZA ROZWOJU SYSTEMU OPIEKI ZDROWOTNEJ W ŚWIETLE POSTĘPUJĄCEGO PROCESU STARZENIA SIĘ SPOŁECZEŃSTWA W POLSCE W LATACH 2006-2015

Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 335 · 2017 Informatyka i Ekonometria 9

Monika Miśkiewicz-Nawrocka Uniwersytet Ekonomiczny w Katowicach Wydział Zarządzania

Katedra Statystyki, Ekonometrii i Matematyki monika.miskiewicz@ue.katowice.pl

ANALIZA ROZWOJU SYSTEMU OPIEKI ZDROWOTNEJ W ŚWIETLE POSTĘPUJĄCEGO PROCESU STARZENIA SIĘ

SPOŁECZEŃSTWA W POLSCE W LATACH 2006-2015

Streszczenie: Zachodzące od lat 80. XX w. zmiany demograficzne w Polsce wyraźnie uwypuklają proces starzenia się społeczeństwa, na który ogromny wpływ mają procesy:

rozrodczości, umieralności i migracji. Zjawisko to jest poważnym problemem zarówno demograficznym, jak i społeczno-ekonomicznym, gdyż prowadzi do wielu niekorzystnych konsekwencji, np. zmiany zasad funkcjonowania systemów zabezpieczenia społecznego, opieki zdrowotnej czy szkolnictwa. W opracowaniu przeprowadzono analizę przestrzenną rozwoju systemu opieki zdrowotnej w Polsce, z uwzględnieniem podziału na wojewódz- twa, a także podjęto próbę weryfikacji, czy wraz z postępowaniem procesu starzenia się społeczeństwa następuje rozwój systemu opieki zdrowotnej w Polsce w latach 2006-2015.

Słowa kluczowe: potencjał demograficzny, proces starzenia się społeczeństwa, system opieki zdrowotnej, syntetyczny wskaźnik Perkala, autokorelacja przestrzenna.

JEL Classification: J19, I39, C4.

Wprowadzenie

Zmiany w liczbie i strukturze ludności polskiego społeczeństwa można zauwa- żyć już na podstawie obserwacji przyrostu rzeczywistego liczby ludności oraz współczynników dzietności ogólnej i reprodukcji brutto, dla których od 1950 r. wy- raźnie kształtuje się tendencja malejąca. W okresie objętym badaniem, tj. w latach

2006-2015, rzeczywisty przyrost liczby ludności w Polsce był stabilny i oscylował wokół 0. Wysoki w 1950 r. wskaźnik dzietności ogólnej równy 3,705 stopniowo ma- lał i w badanym okresie przeciętnie kształtował się na poziomie 1,294. Oznacza to, że liczba dzieci, które średnio urodziłaby kobieta w wieku rozrodczym (15-49 lat), na przestrzeni 60 lat zmniejszyła się o 2,4. Podobne wnioski można wyciągnąć, ob- serwując średnią liczbę córek urodzonych przeciętnie przez kobietę w wieku roz- rodczym, tj. współczynnik reprodukcji brutto. Natomiast uzyskane w latach 2002- 2013 wartości współczynnika dzietności są zbyt niskie (poniżej 2,10) i nie gwaran- tują zastępowalności pokoleń [Miśkiewicz-Nawrocka, 2015].

W starzejącym się społeczeństwie istotną rolę odgrywa system opieki zdrowot- nej. Ze względu na zwiększającą się liczbę ludności starszej, wzrasta zapotrzebowa- nie na usługi opiekuńczo-pielęgnacyjne i lecznicze, a co za tym idzie, wymagane są zwiększenie liczebności personelu medycznego, ilości miejsc w szpitalach, sanato- riach, uzdrowiskach czy hospicjach. Na rysunku 1 przedstawiono zmiany liczebno- ści personelu medycznego, liczby łóżek w zakładach opiekuńczo-leczniczych (brak danych za lata 2006-2009) oraz wskaźnika obciążenia demograficznego w Polsce w latach 2006-2015. Na podstawie przedstawionych danych można zaobserwować gwałtowny wzrost wskaźnika obciążenia demograficznego (liczby ludności w wieku poprodukcyjnym do liczby ludności w wieku przedprodukcyjnym) z poziomu 78,1 w 2006 r. do poziomu 109,1 w 2015 r., przy praktyczne niewielkim wzroście liczby personelu medycznego (lekarze, pielęgniarki i położne na 10 tys. ludności) z pozio- mu 86,3 w 2006 r. do 94,4 w 2015 r.

Rys. 1. Zmiany liczebności personelu medycznego, liczby łóżek w hospicjach, zakładach opiekuńczo-leczniczych i pielęgnacyjno-opiekuńczych

oraz wskaźnika obciążenia demograficznego w Polsce w latach 2006-2015

0 20 40 60 80 100 120

2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

obciążenie demograficzne lekarze na 10 tys. ludności

pielegniarki i polozne na 10 tys. ludności

łóżka w hospicjach, zakładach opiekuńczo-leczniczych i pielęgnacyjno-opiekuńczych na 100 tys.

ludności

1. Miara syntetyczna Perkala

Jedną z metod oceny potencjału badanego zjawiska (poziomu rozwoju re- gionu) jest metoda taksonomiczna – metoda Perkala, bazująca na konstrukcji miary syntetycznej m_i. Miara ta opiera się na zobrazowaniu zmienności grupy cech w zbiorze różnych obiektów w jednym roku.

Wyższa wartość wskaźnika syntetycznego oznacza korzystniejszą sytuację obiektu pod względem poziomu rozwoju. Wskaźnik Perkala szacuje się jako średnią arytmetyczną cech x'_ij:

∑

= ⁿ

j ij

i x

m n

1

1 '

, i = 1,2,…,n gdzie:

n – liczba uwzględnionych cech,

x'ij jest standaryzowaną wartością j-tej cechy dla i-tego obiektu,

j j ij

ij S

x

x x −

′ = _{, gdy xij} jest wartością stymulanty,

j j ij

ij S

x

x x −

−

′ = , gdy x_ij jest wartością destymulanty, gdzie:

x_ij jest wartością pierwotną j-tej cechy dla i-tego obiektu, xj jest wartością średniej arytmetycznej j-tej cechy, S_j jest wartością odchylenia standardowego j-tej cechy.

2. Statystyki przestrzenne

Przez autokorelację przestrzenną rozumie się sytuację, w której określone zjawisko w jednej jednostce przestrzennej wpływa na zmniejszenie lub zwięk- szenie prawdopodobieństwa występowania tego zjawiska w sąsiednich jednost- kach [Kopczewska, 2006]. Miarą autokorelacji przestrzennej są przestrzenne sta- tystyki globalne i lokalne. Do miar globalnych należą statystyki Morana i Geary’ego [Moran, 1950].

Globalna statystyka Morana wyrażona jest wzorem [Kopczewska, 2006]:

( ) ( )

( )

∑ ∑ ∑

∑∑

= = =

= =

−

⋅

−

−

=

⋅

= _n

i

n i

i n

j ij

j n

i n j

i ij

x x w

x x x x w n

S I n

1 1

2 1

1 1

0 z z

Wz z

T T

(1)

(2)

(3)

(4)

gdzie:

x_i, x_j – wartości zmiennych w jednostce przestrzennej i oraz j,

x – średnia arytmetyczna wartości zmiennej dla wszystkich jednostek,

[ ]

[

]

= z_{i n} x_i x_n

z – wektor kolumnowy,

[ ]

W = _× – macierz wag przestrzennych,

⎪⎩

⎪⎨

⎧

=

−

=

j i

j i

j i

w_ij

gdy , 1

jednostki tej

- sasiadem jest

nie jednostka ta

- gdy , 0

jednostki tej

- sasiadem jest

jednostka ta

- gdy , 1

S0 – suma wszystkich elementów macierzy wag, n – liczba jednostek przestrzennych,

i, j = 1,…,n.

Rozkład statystyki Morana jest asymptotycznie normalny [Cliff, Ord, 1973].

Jej istotność statystyczną testuje się za pomocą statystyki IS danej wzorem:

( ) ( )

I E I_S = I −

gdzie:

( )

1

− −

= n I

E – wartość oczekiwana statystyki Morana,

( ) ( )

( )

2

2 0 2 1 2

1 1 1

3

− −

− +

= −

S n n

S nS S I n

Var – wariancja statystyki Morana,

( )

∑∑

+

= ⁿ

i n

j

ji

ij w

w S

1 1

2

1 2

1 ,

2

1 1 1

2

∑ ∑ ∑

= = =

⎟⎠

⎜ ⎞

⎝

⎛ +

= ⁿ

i

n

j ji n

j

ij w

w

S ,

pozostałe oznaczenia jw.

Dodatnie i istotne wartości statystyki I oznaczają podobieństwo badanych jednostek przestrzennych w określonej odległości (autokorelacja dodatnia), na- tomiast ujemne wartości statystyki I oznaczają zróżnicowanie badanych jedno- stek (autokorelacja ujemna). Brak autokorelacji oznacza przestrzenną losowość.

Graficzną interpretacją statystyki globalnej Morana jest wykres punktowy, który obrazuje lokalne związki przestrzenne (tzw. klastry), obserwacje nietypo- we i przestrzenną niestabilność. Na osi OX odkłada się standaryzowaną wartość badanej zmiennej, a na osi OY badaną standaryzowaną zmienną opóźnioną prze- strzennie. Opóźnienie przestrzenne badanej zmiennej jest średnią ważoną warto- ści zmiennej w regionach sąsiednich, zgodnie z przyjętymi wagami przestrzen- nymi.

(5)

Za pomocą lokalnych wskaźników zależności przestrzennej można określić podobieństwa jednostki przestrzennej względem obiektów sąsiednich oraz istot- ność statystyczną tego zjawiska. Do oszacowania lokalnych statystyk prze- strzennych stosuje się lokalne statystyki Morana, Geary’ego oraz Getisa. Staty- styka lokalna Morana dana jest wzorem [Suchecki, 2010]:

( ) ( )

( )

∑

∑

=

=

−

−

−

= _n

i i n

j

j ij i

i

x n x

x x w x x I

1

2 1

1

gdzie: oznaczenia jw.

Rozkład lokalnej statystyki Morana również jest asymptotycznie normalny [Anselin, 1995]. Jej istotność statystyczną testuje się za pomocą statystyki I_S da- nej wzorem [Suchecki, 2010]:

( ) ( )

Si Var I

I E I = I −

gdzie:

( )

1

− −

=

∑

=

n w I

E

n

j ij

i – wartość oczekiwana lokalnej statystyki Morana,

( ) ( ) ( )

( )( )

2 2

1 2

1 2 2

1 ⎟⎟⎟⎟

⎠

⎞

⎜⎜

⎜⎜

⎝

⎛

− −

−

−

−

− +

−

=

∑ ∑∑ ∑

≠ ≠ ≠

≠

n w n

n

w w n

k n

w k n I

Var ^{i j}

ij i

l h i

ih il j

i ij

i – wariancja

lokalnej statystyki Morana,

( )

( )

4

1 1

⎟⎠

⎜ ⎞

⎝

⎛ −

−

=

∑

∑

i i i

i

x n x

x n x

k ,

pozostałe oznaczenia jw.

Lokalna statystyka Morana w odróżnieniu od globalnej pozwala określić lokalne interakcje pomiędzy jednostkami przestrzennymi. Mierzy, czy jednostka przestrzenna jest otoczona przez regiony sąsiedzkie o podobnych bądź różnych wartościach badanej zmiennej w stosunku do rozmieszczenia losowego tych wartości w przestrzeni [Ojrzyńska, Twaróg, 2011].

(6)

(7)

Standaryzowana lokalna statystyka Morana przyjmuje wartości dodatnie, gdy obiekt jest otoczony przez podobne regiony sąsiedzkie o podobnych warto- ściach badanej zmiennej (autokorelacja dodatnia). Natomiast, jeśli lokalna staty- styka Morana przyjmuje wartości ujemne, oznacza to, że obiekt jest otoczony przez regiony o znacząco rożnych wartościach badanej zmiennej (autokorelacja ujemna) [Ojrzyńska, Twaróg, 2011].

3. Analiza empiryczna

Przedmiotem badania były wszystkie województwa Polski w latach 2006- 2015. W pierwszym etapie badań dokonano uporządkowania województw ze względu na poziom badanego zjawiska, jakim jest rozwój systemu opieki zdro- wotnej, szacując syntetyczną miarę Perkala. W tabeli 1 przedstawiono zestaw cech diagnostycznych wziętych pod uwagę w badaniu, uwzględniając podział na stymulanty (S) i destymulanty (D). Dobór poniższych miar wynikał z analizy czynników determinujących zachodzących zmian.

Tabela 1. Zestaw zmiennych diagnostycznych dla oceny stanu rozwoju systemu opieki zdrowotnej

X1 Lekarze posiadający prawo wykonywania zawodu medycznego na 10 tys. ludności S

X2 Pielęgniarki i położne na 10 tys. ludności S X3 Podstawowa opieka zdrowotna – porady na 10 tys. ludności S

X4 Przychodnie podległe samorządowi terytorialnemu (stan na 31.12) S X5 Liczba ludności na łóżko w szpitalach ogólnych D X6 Szpitalny oddział ratunkowy – liczba ludności, której udzielono świadczenia zdrowotnego ogółem (%) S

X7 Apteki ogólnodostępne na 10 tys. ludności S

Stosując metodę parametryczną Hellwiga [Hellwig], wyeliminowano zmienne silnie skorelowane z innymi cechami, tj. te zmienne, które są nośnikami podobnych informacji. Ze względu na nieznaczne różnice występujące w zbio- rach zmiennych centralnych w kolejnych latach, jako zestaw cech diagnostycz- nych rozpatrywany w latach 2006-2015 pod uwagę wzięto wszystkie zmienne.

W celu uporządkowania województw Polski, ze względu na poziom wielowy- miarowego zjawiska, zastosowano taksonomiczną miarę Perkala. W tabeli 2 przedstawiono wartości miary Perkala oraz pozycję w rankingu dla wszystkich województw w latach 2006, 2010, 2015. Pogrubieniem zaznaczono wojewódz- twa, które zajmują najwyższe i najniższe lokaty w rankingu w całym badanym okresie.

Tabela 2. Miara Perkala opisująca stan rozwoju systemu opieki zdrowotnej w Polsce w latach 2006, 2010, 2015

2006 2010 2015

Jednostka terytorialna Miara Perkala Ranga Miara Perkala Ranga Miara Perkala Ranga

Dolnośląskie 0,528486 9 0,587335 6 0,569799 8

Kujawsko-pomorskie 0,539873 8 0,554678 9 0,579647 7

Lubelskie 0,646342 4 0,659105 3 0,678407 3

Lubuskie 0,440102 11 0,326847 16 0,306806 16 Łódzkie 0,666704 2 0,71247 2 0,729905 2

Małopolskie 0,648157 3 0,649866 4 0,649732 4

Mazowieckie 0,741926 1 0,814858 1 0,780118 1 Opolskie 0,333986 15 0,372714 14 0,359428 14 Podkarpackie 0,552928 6 0,554381 10 0,580468 6

Podlaskie 0,551564 7 0,55988 7 0,538062 10

Pomorskie 0,416995 13 0,46463 11 0,494722 11

Śląskie 0,59059 5 0,610646 5 0,589206 5

Świętokrzyskie 0,47103 10 0,55926 8 0,550443 9

Warmińsko-mazurskie 0,287238 16 0,336727 15 0,334878 15 Wielkopolskie 0,424279 12 0,446519 12 0,451514 12 Zachodniopomorskie 0,358483 14 0,428485 13 0,433762 13

Na podstawie wyników przedstawionych w tab. 2 można stwierdzić, że najbardziej zaawansowany proces rozwoju systemu opieki zdrowotnej (1 lokata w rankingu) występuje w województwie mazowieckim, a następnie w łódzkim.

Najmniej korzystną sytuację można odnotować w województwach lubuskim, opolskim i warmińsko-mazurskim, które w badanym okresie zajmowały końco- we miejsca w rankingu.

W tabeli 3 przedstawiono podstawowe charakterystyki opisowe oszacowa- nych miar Perkala dla województw Polski w latach 2006-2015. Na podstawie danych zawartych w tab. 3 można ocenić, że miary tendencji centralnej w roku 2015 są wyższe niż w 2006 r., co świadczy o tym, że stan rozwoju systemu opieki zdrowotnej w województwach Polski znacznie się poprawił.

W kolejnym etapie badań dokonano uporządkowania województw ze względu na poziom rozwoju badanego zjawiska, jakim jest proces starzenia się społeczeństwa. W tabeli 4 przedstawiono zestaw cech diagnostycznych wziętych pod uwagę w tej części badania, uwzględniając podział na stymulanty (S) i de- stymulanty (D).

Tabela 3. Charakterystyki opisowe miary Perkala opisującej stan rozwoju systemu opieki zdrowotnej w Polsce w latach 2006-2015

Rok Średnia Mediana Min Max Rozstęp Odchylenie standardowe

Współczynnik zmienności 2006 0,5124 0,5342 0,2872 0,7419 0,4547 0,1258 0,2455 2007 0,5185 0,5395 0,2676 0,7702 0,5026 0,1288 0,2483 2008 0,5242 0,5408 0,2978 0,7517 0,4539 0,1273 0,2428 2009 0,5322 0,5549 0,2853 0,7788 0,4936 0,1318 0,2476 2010 0,5399 0,5570 0,3268 0,8149 0,4880 0,1327 0,2457 2011 0,5355 0,5533 0,3118 0,7959 0,4840 0,1363 0,2545 2012 0,5441 0,5630 0,3283 0,7491 0,4209 0,1284 0,2360 2013 0,5468 0,5706 0,3370 0,7554 0,4183 0,1253 0,2291 2014 0,5455 0,5632 0,3319 0,7746 0,4427 0,1291 0,2366 2015 0,5392 0,5601 0,3068 0,7801 0,4733 0,1327 0,2461

Tabela 4. Zestaw zmiennych diagnostycznych dla oceny procesu starzenia się społeczeństwa polskiego

X1’ Przeciętne dalsze trwanie życia mężczyźni w wieku 0 (lata) S X2’ Przeciętne dalsze trwanie życia kobiety w wieku 0 (lata) S X3’ Wskaźnik obciążenia demograficznego – ludność w wieku nieprodukcyjnym na 100 osób

w wieku produkcyjnym (os.) D

X4’ Wskaźnik obciążenia demograficznego – ludność w wieku poprodukcyjnym na 100 osób

w wieku przedprodukcyjnym (os.) D

X5’ Wskaźnik obciążenia demograficznego – ludność w wieku poprodukcyjnym na 100 osób

w wieku produkcyjnym (os.) D

X6’ Ruch naturalny – Urodzenia żywe na 1000 ludności S

X7’ Współczynnik dzietności S

X8’ Współczynnik reprodukcji brutto S

Stosując metodę parametryczną Hellwiga, ponownie wyeliminowano zmien- ne silnie skorelowane z innymi cechami. Ze względu na nieznaczne różnice wy- stępujące w zbiorach zmiennych centralnych w kolejnych latach, jako zestaw cech diagnostycznych rozpatrywany w latach 2006-2015 wybrano następujące zmienne centralne: X3, X6, X9, X10, X11, X15, X32. W tabeli 5 przedstawiono wartości miary Perkala oraz pozycję w rankingu dla wszystkich województw w latach 2006, 2010, 2015. Pogrubieniem zaznaczono województwa, które zajmują naj- wyższe i najniższe lokaty w rankingu w całym badanym okresie.

Tabela 5. Miara Perkala opisująca stan rozwoju procesu starzenia się społeczeństwa polskiego w latach 2006, 2010, 2015

2006 2010 2015 Jednostka terytorialna Miara Perkala Ranga Miara Perkala Ranga Miara Perkala Ranga

Dolnośląskie 0,0318 7 –0,0609 10 0,2610 5

Kujawsko-pomorskie –0,0782 8 0,1318 6 0,1517 6

Lubelskie 0,5193 3 0,5636 3 0,5072 4

Lubuskie –0,2918 11 –0,2556 11 –0,2136 11

Łódzkie 1,3033 1 1,3343 1 1,4739 1 Małopolskie –0,5067 15 –0,6722 15 –0,8559 16

Mazowieckie –0,1497 9 –0,0566 9 0,1138 7

Opolskie 0,1073 6 0,2848 4 –0,1990 10

Podkarpackie –0,4333 13 –0,5163 13 –0,7818 15

Podlaskie 0,4429 4 0,1926 5 –0,1517 9

Pomorskie –0,7419 16 –0,7933 16 –0,7142 14

Śląskie 0,1353 5 0,1281 7 0,5871 3

Świętokrzyskie 0,6709 2 0,7465 2 0,6764 2 Warmińsko-mazurskie –0,3490 12 –0,4185 12 –0,5675 13

Wielkopolskie –0,4528 14 –0,5770 14 –0,2996 12

Zachodniopomorskie –0,2075 10 –0,0313 8 0,0123 8

Na podstawie wyników przedstawionych w tab. 5 można stwierdzić, że najbardziej zaawansowany proces starzenia się społeczeństwa (1 lokata w ran- kingu) występuje w województwie łódzkim. Najkorzystniejszą sytuację można odnotować w województwach pomorskim i małopolskim, które w badanym okresie zajmowały głównie 15. i 16. lokatę w rankingu.

Porównując dane zawarte w tab. 2 i 5, można zaobserwować, że w bada- nym okresie 2006-2015 województwa łódzkie, kujawsko-pomorskie, dolnoślą- skie, lubelskie i podlaskie charakteryzują się niewielkimi różnicami pozycji w rankingach ze względu na procesy zaawansowania rozwoju systemu opieki zdrowotnej oraz starzenia się społeczeństwa. Natomiast największe zróżnicowa- nie pomiędzy badanymi cechami występuje w województwach małopolskim, mazowieckim i podkarpackim, gdzie proces starzenia się społeczeństwa jest bardziej zaawansowany niż rozwój opieki zdrowotnej (wyższe pozycje w ran- kingu opisującym proces starzenia się społeczeństwa) oraz opolskim i święto- krzyskim, gdzie poziom rozwoju opieki zdrowotnejjest bardziej zaawansowany niżproces starzenia się społeczeństwa (wyższe pozycje w rankingu opisującym proces rozwoju opieki zdrowotnej).

W celu zbadania korelacji pomiędzy stanem zaawansowania procesu starzenia się społeczeństwa a stanem systemu opieki zdrowotnej w Polsce w latach 2006- 2015 oszacowano współczynnik korelacji rang Spearmana. Wyniki podano w tab. 6.

Tabela 6. Współczynnik korelacji rang Spearmana.

Rok 2006 2007 2008 2009 2010

Współczynnik korelacji rang Spearmanna 0,4882 0,4765 0,4471 0,5794 0,5000

Rok 2011 2012 2013 2014 2015

Współczynnik korelacji rang Spearmanna 0,4412 0,4029 0,3382 0,3324 0,3412

Wartości współczynników korelacji rang Spearmana wskazują na umiarko- waną zgodność pomiędzy badanymi zjawiskami w wybranych latach.

W kolejnym etapie badań zbadano autokorelację przestrzenną procesu roz- woju systemu opieki zdrowotnej w Polsce w latach 2006-2015. Wartości obli- czonych statystyk globalnej i lokalnej Morana przedstawiono odpowiednio w tab. 7 i 8.

Tabela 7. Wartości statystyki globalnej Morana w latach 2006, 2010 i 2015 Rok I Is p-value

2006 0,0961 1,1597 0,1231 2010 0,1478 1,5284 0,0632 2015 0,1340 1,4301 0,0763

Analizując dane zawarte w tab. 6, można stwierdzić, że wartości statystyki globalnej Morana są statystycznie nieistotne.

Na rysunkach 2-4 przedstawiono wykresy punktowe wartości statystyki globalnej Morana w latach 2006, 2010 i 2015. Położenie większości punktów w I i III ćwiartce świadczy o występowaniu dodatniej autokorelacji przestrzen- nej. W każdym z przedstawionych okresów najbardziej korzystną sytuację ze względu na proces starzenia się społeczeństwa mają województwa: mazowiec- kie, śląskie, podkarpackie, lubelskie, podlaskie, małopolskie, łódzkie, tworzące klastry wysokich wartości. Do województw o niskich wartościach, zgrupowa- nych wśród podobnych im obszarów w każdym z rozpatrywanych okresów, na- leżą wielkopolskie, lubuskie, zachodniopomorskie i pomorskie.

R

R Rys

Rys s. 2.

s. 3.

Wy

Wy ykre

ykre es st

es st taty

taty ystyk

ystyk ki g

ki g glob

glob balne

balne ej M

ej M Mora

Mora ana

ana dla

dla a rok

a rok ku 2

ku 2 2006

2010 6

0

R

M s T

n Rys

Mo styk Tab

Jed Łód Maz Mał Śląs Lub Pod Pod Świ Lub Wie Zach Doln Opo Kuja Pom War

na s s. 4.

K ran ki I_i bela

dnost dzkie

zowi łopol skie belsk karp laski ętok buski elkop hodn noślą olskie awsk morsk rmiń

Z są s

Wy Kolej na w

i po a 8.

tka t e

iecki lskie

ie packi

ie krzys

ie polsk nio-p ąskie e ko-po kie ńsko-

dan staty

ykre ejny

w c odan

Stat

teryt e e

ie

kie

kie pomo

e

omo

-maz

nyc ysty

es st ym

elu no w

tyst toria

orski

orskie

zursk

ch z yczn

taty etap u ro

w ta tyka

alna

ie

e

kie

zaw nie

ystyk pem zpo ab.

a lok

0 0 0 0 0 0 0 –0 0 0 0 –0 –0 –0 0 –0

warty nie

ki g m b ozn 8.

kaln

I 0,044 0,213 0,221 0,086 0,566 0,194 0,114 0,336 0,344 0,240 0,829 0,114 0,452 0,008 0,663 0,713

ych eisto

glob bada

ani

na M

42 – 33 – 10 – 67 – 66 – 48 – 40 – 66 – 43 – 05 – 97 – 47 – 21 – 87 – 30 – 39 –

h w otn

balne ania a st

Mora 2002 I(s) 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06

tab e.

ej M a by truk

ana 2 ) p 667 667 667 667 667 667 667 667 667 667 667 667 667 667 667 667

b. 8 Mora

yło ktur

p-va 0,10 0,10 0,29 0,20 0,20 0,29 0,29 0,10 0,29 0,08 0,29 0,29 0,20 0,14 0,20 0,20

8 wy ana

osz ry p

alue 094 094 982 038 038 982 982 094 982 825 982 982 038 472 038 038

ynik dla zac prz

I 0,1 0,3 0,2 0,1 0,5 0,0 0,0 0,1 0,6 0,2 0,8 –0,4 –0,4 0,0 0,4 –0,6

ka, a rok cow

estr

I 1949 3717 2178 1354 5568 0682 0723 1397 6351 2518 8056 4256 4688 0127 4204 6767

że ku 2 wani rzen

2 I 9 –0 7 –0 8 –0 4 –0 8 –0 2 –0 3 –0 7 –0 1 –0 8 –0 6 –0 6 –0 8 –0 7 –0 4 –0 7 –0

wa 2015 ie w nne

008 I(s)

,066 ,066 ,066 ,066 ,066 ,066 ,066 ,066 ,066 ,066 ,066 ,066 ,066 ,066 ,066 ,066

arto 5 wart ej. O

p- 67 0 67 0 67 0 67 0 67 0 67 0 67 0 67 0 67 0 67 0 67 0 67 0 67 0 67 0 67 0 67 0

ści tośc Obl

-valu 0,109 0,109 0,298 0,203 0,203 0,298 0,298 0,109 0,298 0,082 0,298 0,298 0,203 0,147 0,203 0,203

sta ci l licz

ue 94 94 80 37 37 80 80 – 94 80 24 80 80 – 37 – 71 37 37 –

atys oka zone

I 0,13 0,40 0,21 0,09 0,57 0,20 –0,00 0,08 0,71 0,21 0,72 –0,28 –0,46 0,04 0,22 –0,68

tyk alny e w

359 019 146 943 779 040 037 824 146 135 273 897 688 438 253 840

ki lo ych wart

20 I(

–0,0 –0,0 –0,0 –0,0 –0,0 –0,0 –0,0 –0,0 –0,0 –0,0 –0,0 –0,0 –0,0 –0,0 –0,0 –0,0

okal h sta

ośc

14 (s) 0667 0667 0667 0667 0667 0667 0667 0667 0667 0667 0667 0667 0667 0667 0667 0667

lnej atys ci st

p-v 7 0, 7 0, 7 0, 7 0, 7 0, 7 0, 7 0, 7 0, 7 0, 7 0, 7 0, 7 0, 7 0, 7 0, 7 0, 7 0,

j M styk

taty

value ,1094 ,1094 ,298 ,2037 ,2037 ,298 ,298 ,1094 ,298 ,0824 ,298 ,298 ,2037 ,147 ,2037 ,2037

Mora ki y-

e 4 4 1 7 7 1 1 4 1 4 1 1 7 1 7 7

a-

Podsumowanie

W opracowaniu przeprowadzono analizę taksonomiczną stanu rozwoju sys- temu opieki medycznej oraz sytuacji demograficznej województw Polski, a także zbadano korelację przestrzenną procesu zawansowania rozwoju systemu opieki zdrowotnej. Na podstawie przeprowadzonych badań można stwierdzić, że w latach 2006-2015 prawie wszystkie analizowane województwa charakteryzo- wały się zmianami poziomu rozwoju systemu opieki medycznej. Dokonując kla- syfikacji województw ze względu na oszacowane miary Perkala, pokazano, że istnieje umiarkowana korelacja pomiędzy poziomem rozwoju systemu opieki medycznej a poziomem zaawansowania procesu starzenia się społeczeństwa w województwach Polski.

Przeprowadzone analizy korelacji przestrzennej sytuacji demograficznej w województwach Polski na podstawie globalnej i lokalnej statystyki Morana, okazały się statystycznie nieistotne.

Literatura

Anselin L. (1995), Local Indicators of Spatial Association – LISA, “Geographical Analysis”, No. 27(2), s. 93-115.

Cliff A.D., Ord J.K. (1973), Spatial Autocorrelation, Pion, London.

Hellwig Z. (1981), Wielowymiarowa analiza porównawcza i jej zastosowanie w bada- niach wielocechowych obiektów gospodarczych [w:] W. Welfe (red.), Metody i modele matematyczno-ekonomiczne w doskonaleniu zarządzania gospodarką so- cjalistyczną, PWE, Warszawa, s. 46-68.

Kopczewska K. (2006), Ekonometria i statystyka przestrzenna z wykorzystaniem pro- gramu R CRAN, CeDeWu.pl, Warszawa.

Miśkiewicz-Nawrocka M. (2015), Analiza porównawcza czynników wpływających na zmiany demograficzne w Polsce [w:] J. Mika, M. Miśkiewicz-Nawrocka (red.), Metody i modele analiz ilościowych w ekonomii i zarządzaniu, cz. 7, Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach, Katowice, s. 34-58.

Moran P.A.P. (1950), Notes on Continuous Stochastic Phenomena, “Biometrika”, Vol. 37(1), s. 17-23.

Ojrzyńska A., Twaróg S. (2011) Badanie autokorelacji przestrzennej krwiodawstwa w Polsce [w:] J. Suchecka (red.), Ekonometria przestrzenna i regionalne analizy ekonomiczne, „Acta Universitatis Lodziensis. Folia Oeconomia”, nr 253, s. 129-141.

Suchecki B., red. (2010), Ekonometria przestrzenna. Metody i modele analizy danych przestrzennych. Wydawnictwo C.H. Beck, Warszawa.

ANALYSIS OF THE DEVELOPMENT OF HEALTH CARE SYSTEM IN POLAND IN THE YEARS 2006-2015

Summary: The demographic changes occurring in Poland since the 80s of the twentieth century clearly show the aging of the population, which the processes of fertility, mortal- ity and migration have a huge impact. This phenomenon is a serious problem of demo- graphic and socio-economic because it leads to many adverse consequences, i.e. policy changes the functioning of social security, health and education. In the study will carry out spatial analysis of the demographic potential and the level of unemployment in Po- land, and will research the impact of the level of unemployment on the process of aging society in Poland in the years 2005-2014.

Keywords: demographic potential, aging of the population, health care system, Perkal synthetic indicator, spatial autocorrelation.